دانشمندان دانشگاه بریستول نشان داده‌اند که خوشه‌های آزمایشگاهی سلول‌های مغز انسان می‌توانند به طور قابل اعتمادی اطلاعات لمسی را دریافت، پردازش و منتقل کنند - با استفاده از الفبای بریل به عنوان سیگنال آزمایشی. این مطالعه که در ژورنال Frontiers in Artificial Intelligence منتشر شده است، به عنوان گامی کلیدی به سوی کامپیوترهای بیوهیبریدی که بافت عصبی زنده را با حسگرهای الکترونیکی تطبیق می دهند، معرفی می شود.

این تحقیق به یک سوال فریبنده ساده در قلب هوش ارگانوئیدی می پردازد: آیا یک قطعه کوچک و نیمه شکل گرفته از بافت مغز می تواند اطلاعاتی را که دریافت می کند صادقانه منتقل کند؟ برای کشف این موضوع، یک تیم مستقر در بریستول به سرپرستی نویسنده اول، تیانی لیو، کاندیدای دکترا، و نویسنده ارشد دکتر بنجامین وارد-چریر، ارگانوئیدهای مغز را به یک حسگر لمسی واقعی متصل کردند و از آنها پرسیدند که آیا می‌توان اطلاعات معنی‌داری را از طرف دیگر بازیابی کرد یا خیر. For more context on this story, see our ongoing breaking AI news.

لیو در اعلامیه دانشگاه درباره یافته‌ها گفت: «ما می‌توانیم اطلاعات را از یک حسگر لمسی واقعی بگیریم، آن را به شکلی تبدیل کنیم که یک شبکه عصبی زنده بتواند دریافت کند، و سپس اطلاعات معنی‌داری را از پاسخ ارگانوئیدی بازیابی کنیم.» این یک راه عملی برای اتصال حسگرهای مصنوعی با سیستم‌های عصبی بیولوژیکی به ما می‌دهد، که یک مسیر ممکن بسیار جالب به سمت محاسبات با انرژی کارآمدتر است.»

چگونه لکه ای از سلول ها را بخوانیم

ارگانوئیدهای موجود در مرکز آزمایش از مغزهای مینیاتوری دور هستند. هر کدام کمتر از یک میلی متر وسعت دارند، فاقد ساختارهای بسیاری هستند که در مغز انسان یافت می شوند و تقریباً شامل 10000 نورون به همراه سلول های پشتیبان هستند - مدل سازی شده بر روی مغز جلویی انسان. آن‌ها روی آرایه‌های چند الکترودی درون سیستمی قرار می‌گیرند که بافت را زنده نگه می‌دارد و در عین حال پاسخ‌های الکتریکی آن را زیر نظر دارد و به محققان این امکان را می‌دهد که فعالیت‌های عصبی را هم تحریک و هم ثبت کنند.

پروتکل تست سیگنال را از لمس به بافت تا طبقه بندی دنبال می کرد. ابتدا، تیم یک حسگر لمسی را روی 26 حرف الفبای بریل اعمال کرد و داده‌های تولید شده هر حرف را ثبت کرد. این داده ها به الگوهای تحریک الکتریکی تبدیل شد که به ارگانوئیدها تحویل داده شد. محققان سپس بررسی کردند که آیا فعالیت عصبی حاصل می تواند نشان دهد که کدام حرف ارائه شده است یا خیر - در واقع، آیا بافت سیگنال داده شده را خوانده است یا خیر.

رمزگشایی به یک ماشین بردار پشتیبان افتاد، یک الگوریتم یادگیری ماشینی ساده که الگوهای فعالیت عصبی را مرتب می کرد و آنها را با حروف خاص مطابقت می داد. یک ارگانوئید منفرد به طور مداوم در حدود 61 درصد مواقع سیگنال قابل رمزگشایی تولید می کرد. هنگامی که خروجی های سه ارگانوئید با هم ترکیب شدند، دقت به حدود 83 درصد رسید.

سه ارگانوئید یکی را شکست می دهند - و هیچ کس مطمئن نیست که چرا

نتیجه گروه یکی از جذاب ترین یافته ها است. محققان هنوز نمی توانند به طور کامل توضیح دهند که چرا سه ارگانوئید از یکی بهتر عمل می کنند، اگرچه آنها گمان می کنند که پاسخ در تغییرات طبیعی نهفته است: هیچ دو ارگانوئیدی دقیقاً در یک مسیر رشد نمی کنند.

لیو می‌گوید: «ارگانوئیدهای مختلف ممکن است اتصالات شبکه، حالت‌های رشد و فعالیت مداوم کمی متفاوت داشته باشند، بنابراین ورودی یکسان می‌تواند پاسخ‌های مشابه اما نه یکسان ایجاد کند. "ترکیب این پاسخ ها ممکن است اطلاعات تکمیلی را به ما بدهد که از یک ارگانوئید به دست نمی آوریم. در عین حال، اگر هر ارگانوئیدی رفتار متفاوتی داشته باشد، بدیهی است که ساخت یک سیستم قابل پیش بینی و استاندارد را دشوارتر می کند."

این تیم همچنین بر خروجی بافت تاکید کرد. زمانی که دانشمندان نویز مصنوعی را به سیگنال‌های بریل اضافه کردند، فریب دادن پاسخ‌های ارگانوئیدها از رمزگشایی مستقیم سیگنال‌های تخریب‌شده با همان الگوریتم سخت‌تر بود. پس از پردازش توسط ارگانوئیدها، داده ها ساختار کافی را برای طبقه بندی کننده حفظ کردند تا حرف صحیح را قوی تر از ورودی نویز خام مجاز انتخاب کند.

وارد-چریر گفت: «پس از پردازش توسط ارگانوئیدها، داده های لمسی همچنان حاوی اطلاعات کافی برای طبقه بندی حروف بریل با دقت خوب هستند. "ترکیب خروجی های چندین ارگانوئید نیز بهبود عملکرد را نشان داد."

چرا محاسبات بیولوژیکی محققان را وسوسه می کند؟

انگیزه انرژی است. مغز انسان در حالی که محاسباتی را انجام می دهد که نیاز به الکتریسیته بیشتری از سخت افزارهای معمولی دارد، تقریباً 20 وات کار می کند - شکافی که با چند برابر شدن مراکز داده هوش مصنوعی بیشتر شده است. تراشه‌های نورومورفیک سعی می‌کنند کارایی مغز را در سیلیکون به تصویر بکشند، و هوش ارگانوئید نسخه رادیکال‌تر همان شرط را نشان می‌دهد: از نورون‌های واقعی به جای تقلید از آنها استفاده کنید.

برنامه های بالقوه بر روی رباتیک و سیستم های خودمختار متمرکز هستند، جایی که هر وات مهم است و حس لامسه ضروری است. حسگری که می‌تواند پردازش سیگنال را به نورون‌های زنده منتقل کند - یا یک روز یک حلقه بسته با آنها تشکیل دهد - می‌تواند بودجه انرژی ماشین‌هایی را که نیاز به درک و واکنش در زمان واقعی دارند، تغییر دهد.

احتیاط قبل از فرار سرفصل ها

تیم بریستول در مورد آنچه آزمایش نشان نمی دهد صریح است. ارگانوئیدها یاد نمی گرفتند. آنها به تحریک پاسخ دادند، اما محققان تغییر طولانی مدت در بافت نشان ندادند. این کار یک تک لمسی بود، با استفاده از یک طرح رمزگذاری ثابت و یک اندازه گیری نسبتا ساده از فعالیت عصبی.

لیو گفت: «ما نشان دادیم که اطلاعات لمسی را می‌توان از طریق ارگانوئیدها رمزگذاری، پردازش و رمزگشایی کرد، اما یادگیری یا تغییرات طولانی‌مدت در ارگانوئیدها نشان ندادیم.

تیم می گوید که مراحل بعدی فراتر از خط بریل است. محققان به ورودی‌های لمسی غنی‌تر مانند بافت‌ها و لبه‌ها و در نهایت به کارهای حلقه بسته علاقه‌مند هستند که در آن یک ارگانوئید از پیامدهای خروجی خود بازخورد دریافت می‌کند - پیکربندی که شروع به آزمایش اینکه آیا بافت زنده می‌تواند با یک کار سازگار شود و نه اینکه صرفاً از طریق آن منتقل شود.

در حال حاضر، نتیجه به عنوان یک اثبات مهندسی باقی می‌ماند: سیگنال‌های دنیای فیزیکی می‌توانند وارد بافت عصبی زنده شوند و از طرف دیگر قابل تشخیص باشند. این فاصله بسیار زیادی با یک کامپیوتر بیوهیبریدی دارد، اما نوعی نقطه عطف غیرمعمول - تبدیل قابل اعتماد، دقت قابل اندازه گیری، میله های خطا صادقانه - است که انقلاب های محاسباتی قبلی نیز بر روی آن ساخته شده بودند.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →